SKU · GB-Clin · 临床对话 + rubric
LumeSage
从选择题到开放生成：医师 rubric 才是问诊 Agent 的可合同门禁。
OpenAI HealthBench（2025）把评测范式推到「对话级医师准则」：约 5,000 段健康对话、48,562 条 rubric、262 名跨 60 国医师参与。中文侧 CMB-Clin 与 MedBench Agent 轨同向。算法团队若仍只用 Exam 分数发布问诊产品，2026 年已不够格。
观测窗口：2026-09-27 · 公开材料为需求地图；合同交付以私有题集与数据卡为准。
相关公开榜 · 点击即询
下列为算法团队日常对齐的公开生态。点击榜单名可预填咨询表单；LumeSage 供给的是可合同化的私有映射层，而非复刻公开题。
LumeSage 怎么读这类榜
HealthBench（arXiv:2505.08775；OpenAI 2025 发布）证明：开放生成必须按「对话定制准则」计分，模型打分器需与医师判断校准。公开材料显示 o3 等推理模型相对前代有显著跃迁，同时放出 Consensus / Hard 变体以对抗饱和。PMC 等临床评论同步提醒：合成对话 ≠ 真实诊疗结局，不能替代外部临床验证。
MedBench v4 进一步显示：同一骨干上的 Agent 编排可大幅抬升端到端与安全任务表现——说明「对话 + 工具 + 治理」正在成为中文医疗评测主战场。
GB-Clin：交付中文（可含多语）多轮问诊私有集 + 可冻结的医师 rubric + 可选医师抽检，服务问诊 Agent / 临床助手的上线门禁与代际复测。
榜单 × 论文 × 模型进展
| 公开生态 | 截至 2026-09 | 算法工程含义 | LumeSage 映射 |
|---|---|---|---|
| HealthBench | 5k 对话；医师定制 rubric；轴含 accuracy / communication / context 等。 | 需要 rubric 工程与 grader 校准，而不仅是 Accuracy@1。 | 中文私有对话 + 冻结 rubric |
| HealthBench Hard | 公开报告中头部模型仍有大量 headroom（Hard 分显著低于 Overall）。 | 适合作为「未饱和」对照；合同仍需私有 Hard 集。 | 难例对话包 · 年度更新 |
| CMB-Clin | 中文临床对话评测脉络；与 Exam 分流。 | 中文主诉、追问、拒答与转诊策略是差异化关键。 | 中文临床多轮 + 专科标签 |
| MedBench Agent | v4：Agent 均值显著高于 base LLM；安全任务可随治理编排提升。 | 评测要覆盖工具调用与流程合规，不只是单轮回答。 | 流程题 + rubric + Gate 盲测 |
前沿模型信号
推理模型与长上下文模型在 HealthBench 类任务上进步更快；小模型性价比也在抬升。发布叙事应分 Overall / Consensus / Hard，避免只报乐观子集。
学术期刊提醒
临床期刊评论强调：无生态效度、纵向随访与患者结局缺失。GB-Clin 因此坚持「门禁语料 ≠ 临床疗效证明」话术。
2026 前瞻
多轮 + rubric + 工具调用将成为默认采购包；中文医师网与可审计授权是稀缺供给。LumeSage 壁垒在专家网与回流数据产线，不在「再做一个公开榜」。
本类目前沿洞察（7 篇）
每篇不少于 4300 字，实体锚定公开榜单柱；文末含微信二维码、电话与询盘表单。另见 实体榜单 28 柱。
就本类目提交询价简报
点击上方榜单可预填咨询对象。提交后同步商务邮箱与钉钉，并入库 CRM。请勿提交患者可识别信息。
提交 GB-Clin 询价简报
一个工作日内回复题集沟通说明或 Medical Gate 排期要点。指定本 SKU 的线索优先排期。
运营与合同主体：北京朗慧科技有限公司 · 品牌 LumeSage。本站不构成医疗器械宣传，不对模型临床疗效作承诺。公开榜分数不可作为合同过关依据。